対数正規分布

対数正規分布
確率密度関数 同一のパラメータだが、異なるパラメータ ${\displaystyle \mu }$ ${\displaystyle \sigma }$
累積分布関数 ${\displaystyle \mu =0}$
表記	${\displaystyle \operatorname {Lognormal} \left(\mu ,\,\sigma ^{2}\right)}$
パラメータ	${\displaystyle \mu \in (-\infty ,+\infty )}$（位置の対数）、 ${\displaystyle \sigma >0}$（スケールの対数）
サポート	${\displaystyle x\in (0,+\infty )}$
PDF	${\displaystyle {\frac {1}{x\sigma {\sqrt {2\pi }}}}\exp \left(-{\frac {\left(\ln x-\mu \right)^{2}}{2\sigma ^{2}}}\right)}$
CDF	${\displaystyle {\begin{aligned}&{\frac {1}{2}}\left[1+\operatorname {erf} \left({\frac {\ln x-\mu }{\sigma {\sqrt {2}}}}\right)\right]\\[1ex]&=\Phi {\left({\frac {\ln x-\mu }{\sigma }}\right)}\end{aligned}}}$
四分位数	${\displaystyle {\begin{aligned}&\exp \left(\mu +{\sqrt {2\sigma ^{2}}}\operatorname {erf} ^{-1}(2p-1)\right)\\[1ex]&=\exp(\mu +\sigma \Phi ^{-1}(p))\end{aligned}}}$
平均	${\displaystyle \exp \left(\mu +{\frac {\sigma ^{2}}{2}}\right)}$
中央値	${\displaystyle \exp(\mu )}$
モード	${\displaystyle \exp \left(\mu -\sigma ^{2}\right)}$
分散	${\displaystyle \left[\exp(\sigma ^{2})-1\right]\exp \left(2\mu +\sigma ^{2}\right)}$
歪度	${\displaystyle \left[\exp \left(\sigma ^{2}\right)+2\right]{\sqrt {\exp(\sigma ^{2})-1}}}$
過剰尖度	${\displaystyle \exp \left(4\sigma ^{2}\right)+2\exp \left(3\sigma ^{2}\right)+3\exp \left(2\sigma ^{2}\right)-6}$
エントロピ	${\displaystyle \log _{2}\left({\sqrt {2\pi e}}\,\sigma e^{\mu }\right)}$
MGF	実部が正でない 数に対してのみ定義されます。テキストを参照してください。
CF	表現は漸近的に発散するが、ほとんどの数値目的には十分である。 ${\displaystyle \sum _{n=0}^{\infty }{\frac {{\left(it\right)}^{n}}{n!}}e^{n\mu +n^{2}\sigma ^{2}/2}}$
フィッシャー情報	${\displaystyle {\frac {1}{\sigma ^{2}}}{\begin{pmatrix}1&0\\0&2\end{pmatrix}}}$
モーメント法	${\displaystyle \mu =\ln \operatorname {E} [X]-{\frac {1}{2}}\ln \left({\frac {\operatorname {Var} [X]}{\operatorname {E} [X]^{2}}}+1\right),}$ ${\displaystyle \sigma ={\sqrt {\ln \left({\frac {\operatorname {Var} [X]}{\operatorname {E} [X]^{2}}}+1\right)}}}$
予想される不足額	${\displaystyle {\begin{aligned}&{\frac {e^{\mu +{\frac {\sigma ^{2}}{2}}}}{2p}}\left[1+\operatorname {erf} \left({\frac {\sigma }{\sqrt {2}}}+\operatorname {erf} ^{-1}(2p-1)\right)\right]\\[0.5ex]&={\frac {e^{\mu +{\frac {\sigma ^{2}}{2}}}}{1-p}}\left[1-\Phi (\Phi ^{-1}(p)-\sigma )\right]\end{aligned}}}$[ 1 ]

確率論において、対数正規分布（または対数正規分布）は、対数が正規分布する確率変数の連続確率分布である。したがって、確率変数Xが対数正規分布する場合、Y = ln Xは正規分布する。^{[ 2 ] [ 3 ]}同様に、Yが正規分布する場合、Yの指数関数X = exp( Y )は対数正規分布する。対数正規分布する確率変数は、正の実数値のみを取る。これは、精密科学や工学のほか、医学、経済学、その他のトピック（エネルギー、濃度、長さ、金融商品の価格、その他の指標など） での測定に便利で有用なモデルである。

この分布はフランシス・ゴルトンにちなんでゴルトン分布またはゴルトンの分布と呼ばれることもあります。^{[ 4 ]}対数正規分布は、マカリスター、ジブラ、コブ・ダグラスなど、他の名前でも呼ばれています。^{[ 4 ]}

対数正規過程とは、それぞれが正である多数の独立確率変数の乗法積の統計的実現である。これは、対数領域における中心極限定理（ジブラの法則と呼ばれることもある）を考慮することによって正当化される。対数正規分布は、確率変量X （ln Xの平均と分散が指定されている）に対する最大エントロピー確率分布である。 ^{[ 5 ]}

定義

生成とパラメータ

を標準正規変数とし、と をそれぞれ2つの実数（ ）とする。このとき、確率変数の分布は ${\displaystyle Z}$ ${\displaystyle \mu }$ ${\displaystyle \sigma }$ ${\displaystyle \sigma >0}$

$${\displaystyle X=e^{\mu +\sigma Z}}$$

は、パラメータとを持つ対数正規分布と呼ばれます。これらは、変数の自然対数 の期待値（または平均 ）と標準偏差であり、自身の期待値と標準偏差ではありません。 ${\displaystyle \mu }$ ${\displaystyle \sigma }$ ${\displaystyle \ln X}$ ${\displaystyle X}$

正規分布と対数正規分布の関係。が正規分布する場合、は対数正規分布します。 ${\displaystyle Y=\mu +\sigma Z}$ ${\displaystyle X\sim e^{Y}}$

この関係は、対数関数や指数関数の底に関わらず成り立ちます。が正規分布する場合、任意の2つの正の数 に対しても正規分布します。同様に、が対数正規分布する場合、 も正規分布します（ただし）。 ${\displaystyle \log _{a}X}$ ${\displaystyle \log _{b}X}$ ${\displaystyle a,b\neq 1}$ ${\displaystyle e^{Y}}$ ${\displaystyle a^{Y}}$ ${\displaystyle 0<a\neq 1}$

望ましい平均と分散を持つ分布を生成するには、およびを使用します。 ${\displaystyle \mu _{X}}$ ${\displaystyle \sigma _{X}^{2}}$ ${\displaystyle \mu =\ln {\frac {\mu _{X}^{2}}{\sqrt {\mu _{X}^{2}+\sigma _{X}^{2}}}}}$ ${\displaystyle \sigma ^{2}=\ln \left(1+{\frac {\sigma _{X}^{2}}{\mu _{X}^{2}}}\right)}$

あるいは、「乗法」または「幾何」パラメータとを使用することもできます。これらはより直接的な解釈が可能です。分布の中央値であり、 「散布」区間を決定するのに役立ちます（下記参照）。 ${\displaystyle \mu ^{*}=e^{\mu }}$ ${\displaystyle \sigma ^{*}=e^{\sigma }}$ ${\displaystyle \mu ^{*}}$ ${\displaystyle \sigma ^{*}}$

確率密度関数

正の確率変数は、 の自然対数が平均、分散で正規分布する場合、対数正規分布（つまり）に従います。 ${\displaystyle X}$ ${\textstyle X\sim \operatorname {Lognormal} \left(\mu ,\sigma ^{2}\right)}$ ${\displaystyle X}$ ${\displaystyle \mu }$ ${\displaystyle \sigma ^{2}}$

$${\displaystyle \ln X\sim {\mathcal {N}}(\mu ,\sigma ^{2})}$$

をそれぞれ累積確率分布関数と標準正規分布の確率密度関数とすると、[ ^{2 ] [ 4 ]対数}正規分布の確率密度関数は次のように与え られる。 ${\displaystyle \Phi }$ ${\displaystyle \varphi }$ ${\displaystyle {\mathcal {N}}(0,1)}$

$${\displaystyle {\begin{aligned}f_{X}(x)&={\frac {d}{dx}}\Pr \nolimits _{X}\left[X\leq x\right]\\[6pt]&={\frac {d}{dx}}\Pr \nolimits _{X}\left[\ln X\leq \ln x\right]\\[6pt]&={\frac {d}{dx}}\Phi {\left({\frac {\ln x-\mu }{\sigma }}\right)}\\[6pt]&=\varphi {\left({\frac {\ln x-\mu }{\sigma }}\right)}{\frac {d}{dx}}\left({\frac {\ln x-\mu }{\sigma }}\right)\\[6pt]&=\varphi {\left({\frac {\ln x-\mu }{\sigma }}\right)}{\frac {1}{\sigma x}}\\[6pt]&={\frac {1}{x\sigma {\sqrt {2\pi }}}}\exp \left(-{\frac {(\ln x-\mu )^{2}}{2\sigma ^{2}}}\right)~.\end{aligned}}}$$

累積分布関数

累積分布関数は

$${\displaystyle F_{X}(x)=\Phi {\left({\frac {\ln x-\mu }{\sigma }}\right)}}$$

ここで、は標準正規分布の累積分布関数です（つまり、）。 ${\displaystyle \Phi }$ ${\displaystyle \operatorname {\mathcal {N}} (0,1)}$

これは次のように表現することもできる。^{[ 2 ]}

$${\displaystyle {\frac {1}{2}}\left[1+\operatorname {erf} \left({\frac {\ln x-\mu }{\sigma {\sqrt {2}}}}\right)\right]={\frac {1}{2}}\operatorname {erfc} \left(-{\frac {\ln x-\mu }{\sigma {\sqrt {2}}}}\right)}$$

ここで、erfcは相補誤差関数です。

多変量対数正規分布

が多変量正規分布である場合、多変量対数正規分布に従う。^{[ 6 ] [ 7 ]}指数関数はランダムベクトルに対して要素ごとに適用されます。の平均は ${\displaystyle {\boldsymbol {X}}\sim {\mathcal {N}}({\boldsymbol {\mu }},\,{\boldsymbol {\Sigma }})}$ ${\displaystyle Y_{i}=\exp(X_{i})}$ ${\displaystyle {\boldsymbol {X}}}$ ${\displaystyle {\boldsymbol {Y}}}$

$${\displaystyle \operatorname {E} [{\boldsymbol {Y}}]_{i}=e^{\mu _{i}+{\frac {1}{2}}\Sigma _{ii}},}$$

そしてその共分散行列は

$${\displaystyle \operatorname {Var} [{\boldsymbol {Y}}]_{ij}=e^{\mu _{i}+\mu _{j}+{\frac {1}{2}}(\Sigma _{ii}+\Sigma _{jj})}\left(e^{\Sigma _{ij}}-1\right).}$$

多変量対数正規分布は広く使用されていないため、このエントリの残りの部分では単変量分布のみを扱います。

特性関数とモーメント生成関数

対数正規分布のすべてのモーメントが存在し、

$${\displaystyle \operatorname {E} [X^{n}]=e^{n\mu +n^{2}\sigma ^{2}/2}}$$

これは積分を とすることで導出できる。しかし、対数正規分布はモーメントによって決定されない。^{[ 8 ]}これは、対数正規分布がゼロ近傍において定義されたモーメント生成関数を持つことができないことを意味する。^{[ 9 ]}実際、定義積分が発散するため、引数の任意の正の値に対して期待値は定義されない。 ${\textstyle z={\tfrac {\ln x-\mu }{\sigma }}-n\sigma }$ ${\displaystyle \operatorname {E} [e^{tX}]}$ ${\displaystyle t}$

特性関数はtの実数値に対して定義されるが、負の虚部を持つtの複素数値に対しては定義されない。したがって、特性関数は原点において解析的ではない。したがって、対数正規分布の特性関数は無限収束級数として表すことはできない。^{[ 10 ]}特に、そのテイラー形式級数は発散する。 ${\displaystyle \operatorname {E} [e^{itX}]}$

$${\displaystyle \sum _{n=0}^{\infty }{\frac {{\left(it\right)}^{n}}{n!}}e^{n\mu +n^{2}\sigma ^{2}/2}}$$

しかしながら、いくつかの代替的な発散級数表現が得られている。^{[ 10 ] [ 11 ] [ 12 ] [ 13 ]}

収束領域内の特性関数の閉形式公式は知られていない。比較的単純な近似式が閉形式で存在し、[ 14 ^{]で与えられる。} ${\displaystyle \varphi (t)}$ ${\displaystyle t}$

$${\displaystyle \varphi (t)\approx {\frac {\exp \left(-{\frac {W^{2}(-it\sigma ^{2}e^{\mu })+2W(-it\sigma ^{2}e^{\mu })}{2\sigma ^{2}}}\right)}{\sqrt {1+W{\left(-it\sigma ^{2}e^{\mu }\right)}}}}}$$

ここではランバートのW関数です。この近似は漸近法によって導かれますが、 の収束領域全体にわたって鋭いままです。 ${\displaystyle W}$ ${\displaystyle \varphi }$

プロパティ

幾何学的または乗法的なモーメント

対数正規分布の幾何平均または乗法平均は です。これは中央値に等しくなります。幾何標準偏差または乗法標準偏差は です。^{[ 15 ] [ 16 ]} ${\displaystyle \operatorname {GM} [X]=e^{\mu }=\mu ^{*}}$ ${\displaystyle \operatorname {GSD} [X]=e^{\sigma }=\sigma ^{*}}$

算術統計学との類推により、幾何分散を定義することができ、幾何変動係数^{[ 15 ]}が提案されている。この用語は、対数正規分布における乗法変動を記述するための変動係数と類似することを意図していたが、このGCVの定義は、それ自体の推定値としての理論的根拠を有していない（変動係数も参照）。 ${\displaystyle \operatorname {GVar} [X]=e^{\sigma ^{2}}}$ ${\displaystyle \operatorname {GCV} [X]=e^{\sigma }-1}$ ${\displaystyle \operatorname {CV} }$

幾何平均は算術平均よりも小さいことに注意してください。これはAM-GM不等式によるもので、対数が凹関数であることに起因します。実際、^{[ 17 ]}

$${\displaystyle \operatorname {E} [X]=e^{\mu +{\frac {1}{2}}\sigma ^{2}}=e^{\mu }\cdot {\sqrt {e^{\sigma ^{2}}}}=\operatorname {GM} [X]\cdot {\sqrt {\operatorname {GVar} [X]}}.}$$

金融においては、この用語は凸性補正として解釈されることがある。確率論の観点から見ると、これは幾何ブラウン運動の伊藤の補題における補正項と同じである。 ${\displaystyle e^{-\sigma ^{2}/2}}$

算術モーメント

任意の実数または複素数nに対して、対数正規分布に従う変数Xのn次モーメントは^{[ 4 ]}で与えられる。 $${\displaystyle \operatorname {E} [X^{n}]=e^{n\mu +{\frac {1}{2}}n^{2}\sigma ^{2}}.}$$

具体的には、対数正規分布に従う変数Xの算術平均、期待二乗、算術分散、算術標準偏差はそれぞれ次のように表される。^{[ 2 ]}

$${\displaystyle {\begin{aligned}\operatorname {E} [X]&=e^{\mu +{\tfrac {1}{2}}\sigma ^{2}},\\[4pt]\operatorname {E} [X^{2}]&=e^{2\mu +2\sigma ^{2}},\\[4pt]\operatorname {Var} [X]&=\operatorname {E} [X^{2}]-\operatorname {E} [X]^{2}={\left(\operatorname {E} [X]\right)}^{2}\left(e^{\sigma ^{2}}-1\right)\\[2pt]&=e^{2\mu +\sigma ^{2}}\left(e^{\sigma ^{2}}-1\right),\\[4pt]\operatorname {SD} [X]&={\sqrt {\operatorname {Var} [X]}}=\operatorname {E} [X]{\sqrt {e^{\sigma ^{2}}-1}}\\[2pt]&=e^{\mu +{\tfrac {1}{2}}\sigma ^{2}}{\sqrt {e^{\sigma ^{2}}-1}},\end{aligned}}}$$

算術変動係数は 、比である。対数正規分布の場合、これは^{[ 3 ]}に等しい 。この推定値は、幾何分散を用いていることから、「幾何変動係数」（GCV）と呼ばれることもある^{[ 18 ] [ 19 ]}。算術標準偏差とは異なり、算術変動係数は算術平均とは独立している。 ${\displaystyle \operatorname {CV} [X]}$ ${\displaystyle {\tfrac {\operatorname {SD} [X]}{\operatorname {E} [X]}}}$ $${\displaystyle \operatorname {CV} [X]={\sqrt {e^{\sigma ^{2}}-1}}.}$$

算術平均と算術分散がわかれば、 パラメータμとσを取得できます。

$${\displaystyle {\begin{aligned}\mu &=\ln {\frac {\operatorname {E} [X]^{2}}{\sqrt {\operatorname {E} [X^{2}]}}}=\ln {\frac {\operatorname {E} [X]^{2}}{\sqrt {\operatorname {Var} [X]+\operatorname {E} [X]^{2}}}},\\[1ex]\sigma ^{2}&=\ln {\frac {\operatorname {E} [X^{2}]}{\operatorname {E} [X]^{2}}}=\ln \left(1+{\frac {\operatorname {Var} [X]}{\operatorname {E} [X]^{2}}}\right).\end{aligned}}}$$

確率分布は、モーメントE[ X ⁿ ] = e ^{nμ + ⁠によって一意に決定されるわけではない。1/2⁠ n 2 σ 2}（ n ≥ 1 ）。つまり、同じモーメントを持つ他の分布も存在する。 ^{[ 4 ]}実際、対数正規分布と同じモーメントを持つ分布の族が存在します。

最頻値、中央値、四分位値

歪度が異なる 2 つの対数正規分布の平均、中央値、最頻値の比較。

モードは確率密度関数の最大値となる点です。特に、方程式を解くと、次の式が得られます。 ${\displaystyle (\ln f)'=0}$

$${\displaystyle \operatorname {Mode} [X]=e^{\mu -\sigma ^{2}}.}$$

対数変換された変数は正規分布に従うため、単調変換では 分位数が保存されるため、 ${\displaystyle Y=\ln X}$ ${\displaystyle X}$

$${\displaystyle q_{X}(\alpha )=\exp \left[\mu +\sigma q_{\Phi }(\alpha )\right]=\mu ^{*}(\sigma ^{*})^{q_{\Phi }(\alpha )},}$$

ここで、は標準正規分布の分位数です。 ${\displaystyle q_{\Phi }(\alpha )}$

具体的には、対数正規分布の中央値はその乗法平均に等しい。^{[ 20 ]}

$${\displaystyle \operatorname {Med} [X]=e^{\mu }=\mu ^{*}~.}$$

部分的な期待

閾値に関する確率変数の部分期待値は次のように定義される。 ${\displaystyle X}$ ${\displaystyle k}$

$${\displaystyle g(k)=\int _{k}^{\infty }x\,f_{X}(x)\,dx.}$$

あるいは、条件付き期待値の定義を用いると、 と書くこともできます。対数正規分布の確率変数の場合、偏期待値は次のように表されます。 ${\displaystyle g(k)=\operatorname {E} [X\mid X>k]\Pr(X>k)}$

$${\displaystyle {\begin{aligned}g(k)&=\int _{k}^{\infty }xf_{X}(x)\,dx\\[1ex]&=e^{\mu +{\tfrac {1}{2}}\sigma ^{2}}\,\Phi {\left({\frac {\mu -\ln k}{\sigma }}+\sigma \right)}\end{aligned}}}$$

ここでは正規累積分布関数です。式の導出はトークページで説明されています。偏期待値公式は保険や経済学に応用されており、ブラック・ショールズ公式に至る偏微分方程式を解く際に用いられます。 ${\displaystyle \Phi }$

条件付き期待値

対数正規分布の確率変数の条件付き期待値は、閾値に関して、その部分期待値をその範囲内にある累積確率で割った値です。 ${\displaystyle X}$ ${\displaystyle k}$

$${\displaystyle {\begin{aligned}\operatorname {E} [X\mid X<k]&=e^{\mu +{\frac {\sigma ^{2}}{2}}}\cdot {\frac {\Phi {\left[{\frac {\ln k-\mu }{\sigma }}-\sigma \right]}}{\Phi {\left[{\frac {\ln k-\mu }{\sigma }}\right]}}}\\[8pt]\operatorname {E} [X\mid X\geq k]&=e^{\mu +{\frac {\sigma ^{2}}{2}}}\cdot {\frac {\Phi {\left[{\frac {\mu -\ln k}{\sigma }}+\sigma \right]}}{1-\Phi {\left[{\frac {\ln k-\mu }{\sigma }}\right]}}}\\[8pt]\operatorname {E} [X\mid X\in [k_{1},k_{2}]]&=e^{\mu +{\frac {\sigma ^{2}}{2}}}\cdot {\frac {\Phi {\left[{\frac {\ln k_{2}-\mu }{\sigma }}-\sigma \right]}-\Phi {\left[{\frac {\ln k_{1}-\mu }{\sigma }}-\sigma \right]}}{\Phi \left[{\frac {\ln k_{2}-\mu }{\sigma }}\right]-\Phi \left[{\frac {\ln k_{1}-\mu }{\sigma }}\right]}}\end{aligned}}}$$

代替パラメータ化

またはによる 特徴付けに加えて、対数正規分布をパラメータ化する方法は複数あります。確率分布の知識ベースおよびオントロジーであるProbOnto ^{[ 21 ] [ 22 ]}は、そのような形式を7つ挙げています。 ${\displaystyle \mu ,\sigma }$ ${\displaystyle \mu ^{*},\sigma ^{*}}$

対数正規分布のパラメータ化の概要。

• LogNormal1( μ , σ )は、平均μと標準偏差σで、両方とも対数スケール上にあります^{[ 23 ]} $${\displaystyle P(x;{\boldsymbol {\mu }},{\boldsymbol {\sigma }})={\frac {1}{x\sigma {\sqrt {2\pi }}}}\exp \left[-{\frac {(\ln x-\mu )^{2}}{2\sigma ^{2}}}\right]}$$
• LogNormal2( μ , υ ) (平均μと分散υ、両方とも対数スケール) $${\displaystyle P(x;{\boldsymbol {\mu }},{\boldsymbol {v}})={\frac {1}{x{\sqrt {v}}{\sqrt {2\pi }}}}\exp \left[-{\frac {(\ln x-\mu )^{2}}{2v}}\right]}$$
• LogNormal3( m , σ )（自然尺度上の中央値m 、対数尺度上の標準偏差σ ） ^{[ 23 ]} $${\displaystyle P(x;{\boldsymbol {m}},{\boldsymbol {\sigma }})={\frac {1}{x\sigma {\sqrt {2\pi }}}}\exp \left[-{\frac {\ln ^{2}(x/m)}{2\sigma ^{2}}}\right]}$$
• LogNormal4( m ,cv)（中央値m、変動係数cv、いずれも自然尺度） $${\displaystyle P(x;{\boldsymbol {m}},{\boldsymbol {cv}})={\frac {1}{x{\sqrt {\ln(cv^{2}+1)}}{\sqrt {2\pi }}}}\exp \left[-{\frac {\ln ^{2}(x/m)}{2\ln(cv^{2}+1)}}\right]}$$
• LogNormal5( μ , τ )、平均μと精度τ、両方とも対数スケール^{[ 24 ]} $${\displaystyle P(x;{\boldsymbol {\mu }},{\boldsymbol {\tau }})={\sqrt {\frac {\tau }{2\pi }}}{\frac {1}{x}}\exp \left[-{\frac {\tau }{2}}(\ln x-\mu )^{2}\right]}$$
• LogNormal6( m , σ _g )の中央値mと幾何標準偏差σ _gはともに自然尺度である^{[ 25 ]} $${\displaystyle P(x;{\boldsymbol {m}},{\boldsymbol {\sigma _{g}}})={\frac {1}{x{\sqrt {2\pi }}\,\ln \sigma _{g}}}\exp \left[-{\frac {\ln ^{2}(x/m)}{2\ln ^{2}(\sigma _{g})}}\right]}$$
• LogNormal7( μ _N , σ _N )の平均値μ _Nと標準偏差σ _Nはいずれも自然スケール上にあります^{[ 26 ]} $${\displaystyle P(x;{\boldsymbol {\mu _{N}}},{\boldsymbol {\sigma _{N}}})={\frac {1}{x{\sqrt {2\pi \ln \left(1+\sigma _{N}^{2}/\mu _{N}^{2}\right)}}}}\exp \left[-{\frac {\left(\ln x-\ln {\frac {\mu _{N}}{\sqrt {1+\sigma _{N}^{2}/\mu _{N}^{2}}}}\right)^{2}}{2\ln \left(1+{\frac {\sigma _{N}^{2}}{\mu _{N}^{2}}}\right)}}\right]}$$

再パラメータ化の例

^{2つの異なる最適設計ツール、例えばPFIM [ 27 ]}とPopED ^{[ 28 ]}を用いてモデルを実行したい状況を考えてみましょう。前者はLN2、後者はLN7のパラメータ化をサポートしています。したがって、再パラメータ化が必要です。そうしないと、2つのツールは異なる結果を生成します。

遷移については次の式が成り立ちます。 ${\displaystyle \operatorname {LN2} (\mu ,v)\to \operatorname {LN7} (\mu _{N},\sigma _{N})}$ ${\textstyle \mu _{N}=\exp(\mu +v/2)}$ ${\textstyle \sigma _{N}=\exp(\mu +v/2){\sqrt {\exp(v)-1}}}$

遷移については次の式が成り立ちます。 ${\displaystyle \operatorname {LN7} (\mu _{N},\sigma _{N})\to \operatorname {LN2} (\mu ,v)}$ ${\textstyle \mu =\ln \mu _{N}-{\frac {1}{2}}v}$ ${\textstyle v=\ln(1+\sigma _{N}^{2}/\mu _{N}^{2})}$

残りの再パラメータ化の式はすべて、プロジェクトのウェブサイトの仕様書に記載されています。^{[ 29 ]}

多重、相互、力

• 定数による乗算:の場合、 ${\displaystyle X\sim \operatorname {Lognormal} (\mu ,\sigma ^{2})}$ ${\displaystyle aX\sim \operatorname {Lognormal} (\mu +\ln a,\sigma ^{2})}$ ${\displaystyle a>0.}$
• 逆数：もし、 ${\displaystyle X\sim \operatorname {Lognormal} (\mu ,\sigma ^{2})}$ ${\displaystyle {\tfrac {1}{X}}\sim \operatorname {Lognormal} (-\mu ,\sigma ^{2}).}$
• 力:ならば、 ${\displaystyle X\sim \operatorname {Lognormal} (\mu ,\sigma ^{2})}$ ${\displaystyle X^{a}\sim \operatorname {Lognormal} (a\mu ,a^{2}\sigma ^{2})}$ ${\displaystyle a\neq 0.}$

独立した対数正規分布の確率変数の乗算と除算

2 つの独立した対数正規変数およびを乗算 [除算] すると、積 [比] は再び対数正規となり、パラメータは[ ]およびとなります( ) 。 ${\displaystyle X_{1}}$ ${\displaystyle X_{2}}$ ${\displaystyle \mu =\mu _{1}+\mu _{2}}$ ${\displaystyle \mu =\mu _{1}-\mu _{2}}$ ${\displaystyle \sigma }$ ${\displaystyle \sigma ^{2}=\sigma _{1}^{2}+\sigma _{2}^{2}}$

より一般的には、独立で対数正規分布に従う変数であれば、 ${\displaystyle X_{j}\sim \operatorname {Lognormal} (\mu _{j},\sigma _{j}^{2})}$ ${\displaystyle n}$ ${\textstyle Y=\prod _{j=1}^{n}X_{j}\sim \operatorname {Lognormal} {\Big (}\sum _{j=1}^{n}\mu _{j},\sum _{j=1}^{n}\sigma _{j}^{2}{\Big )}.}$

乗法中心極限定理

独立かつ同一に分布する正の確率変数の幾何平均または乗法平均は、 が有限であると仮定すると、に対して、近似的にパラメータおよびを持つ対数正規分布を示します。 ${\displaystyle n}$ ${\displaystyle X_{i}}$ ${\displaystyle n\to \infty }$ ${\displaystyle \mu =\operatorname {E} [\ln X_{i}]}$ ${\displaystyle \sigma ^{2}=\operatorname {var} [\ln X_{i}]/n}$ ${\displaystyle \sigma ^{2}}$

実際、確率変数は必ずしも同一分布に従う必要はありません。 の分布がすべて有限分散を持ち、中心極限定理の様々な変種の他の条件を満たしていれば十分です。 ${\displaystyle \ln X_{i}}$

これは一般にジブラの法則として知られています。

対数正規分布の裾の重さ

対数正規分布が真のヘビーテール分布と言えるかどうかは、依然として議論の的となっている。主な理由は、例えば特定のパレート分布とは異なり、対数正規分布の分散は常に有限であるという点である。しかしながら、最近の研究では、ロビンソン非標準分析を用いて、分散が無限大の対数正規分布を作成できることが示されている。^{[ 30 ]}

他の

対数正規分布から生じるデータセットは対称的なローレンツ曲線を持つ（ローレンツ非対称係数も参照）。^{[ 31 ]}

この分布の調和平均、幾何平均、算術平均は関連しており、 ^{[ 32 ]}その関係は次のように与えられる 。 ${\displaystyle H}$ ${\displaystyle G}$ ${\displaystyle A}$

$${\displaystyle H={\frac {G^{2}}{A}}.}$$

対数正規分布は無限に割り切れるが^{[ 33 ]} 、簡単に導き出せるような安定した分布ではない。 ^{[ 34 ]}

関連ディストリビューション

• が正規分布である場合、 ${\displaystyle X\sim {\mathcal {N}}(\mu ,\sigma ^{2})}$ ${\displaystyle \exp(X)\sim \operatorname {Lognormal} (\mu ,\sigma ^{2}).}$
• が対数正規分布する場合、 は正規確率変数です。 ${\displaystyle X\sim \operatorname {Lognormal} (\mu ,\sigma ^{2})}$ ${\displaystyle \ln X\sim {\mathcal {N}}(\mu ,\sigma ^{2})}$
• を、変化する可能性のあるパラメータおよびパラメータを持つ独立した対数正規分布に従う変数とし、をとする。 の分布は閉じた形式表現を持たないが、右裾において別の対数正規分布で合理的に近似することができる。^{[ 35 ]} 0近傍におけるその確率密度関数は特徴付けられており^{[ 34 ]}、どの対数正規分布にも類似していない。LF Fentonによる（ただし、以前はRI Wilkinsonによって述べられ、Marlowによって数学的に正当化された^{[ 36 ]}）一般的な近似は、別の対数正規分布の平均と分散を一致させることによって得られる。すべてが同じ分散パラメータを持つ場合、これらの式は次のように簡略化される。 ${\displaystyle X_{j}\sim \operatorname {Lognormal} (\mu _{j},\sigma _{j}^{2})}$ ${\displaystyle \sigma }$ ${\displaystyle \mu }$ ${\textstyle Y=\sum _{j=1}^{n}X_{j}}$ ${\displaystyle Y}$ ${\displaystyle Z}$ $${\displaystyle {\begin{aligned}\sigma _{Z}^{2}&=\ln \!\left[{\frac {\sum _{j}e^{2\mu _{j}+\sigma _{j}^{2}}\left(e^{\sigma _{j}^{2}}-1\right)}{{\left(\sum _{j}e^{\mu _{j}+\sigma _{j}^{2}/2}\right)}^{2}}}+1\right],\\[1ex]\mu _{Z}&=\ln \!\left[\sum _{j}e^{\mu _{j}+\sigma _{j}^{2}/2}\right]-{\frac {\sigma _{Z}^{2}}{2}}.\end{aligned}}}$$ ${\displaystyle X_{j}}$ ${\displaystyle \sigma _{j}=\sigma }$ $${\displaystyle {\begin{aligned}\sigma _{Z}^{2}&=\ln \!\left[\left(e^{\sigma ^{2}}-1\right){\frac {\sum _{j}e^{2\mu _{j}}}{{\left(\sum _{j}e^{\mu _{j}}\right)}^{2}}}+1\right],\\[1ex]\mu _{Z}&=\ln \!\left[\sum _{j}e^{\mu _{j}}\right]+{\frac {\sigma ^{2}}{2}}-{\frac {\sigma _{Z}^{2}}{2}}.\end{aligned}}}$$

より正確な近似値を求めるには、モンテカルロ法を用いて累積分布関数、pdf、右側裾を推定することができる。^{[ 37 ] [ 38 ]}相関対数正規分布に従う確率変数の合計のcdfとpdfもモンテカルロシミュレーションで近似することができる。^{[ 39 ]}

• の場合には、サポート を持つ3パラメータ対数正規分布に従うと言われます。^{[ 40 ]}、。 ${\displaystyle X\sim \operatorname {Lognormal} (\mu ,\sigma ^{2})}$ ${\displaystyle X+c}$ ${\displaystyle x\in (c,+\infty )}$ ${\displaystyle \operatorname {E} [X+c]=\operatorname {E} [X]+c}$ ${\displaystyle \operatorname {Var} [X+c]=\operatorname {Var} [X]}$
• 対数正規分布は、半有界ジョンソンSU分布の特殊なケースである。^{[ 41 ]}
• の場合には、(鈴木分布)となる。 ${\displaystyle X\mid Y\sim \operatorname {Rayleigh} (Y)}$ ${\displaystyle Y\sim \operatorname {Lognormal} (\mu ,\sigma ^{2})}$ ${\displaystyle X\sim \operatorname {Suzuki} (\mu ,\sigma )}$
• 対数正規分布の代わりとなる、より基本的な関数^{[ 42 ]}で表すことができる分布は、 CDFの近似値を得るためのロジスティック分布に基づいて得られる。これは対数ロジスティック分布である。 $${\displaystyle F(x;\mu ,\sigma )=\left[\left({\frac {e^{\mu }}{x}}\right)^{\pi /(\sigma {\sqrt {3}})}+1\right]^{-1}.}$$

統計的推論

パラメータの推定

最大尤度推定量

対数正規分布のパラメータμとσの最大尤度推定値を決定するには、正規分布の場合と同じ手順を用いることができる。ただし、 は 正規分布の密度関数である 。したがって、対数尤度関数は $${\displaystyle L(\mu ,\sigma )=\prod _{i=1}^{n}{\frac {1}{x_{i}}}\varphi _{\mu ,\sigma }(\ln x_{i}),}$$ ${\displaystyle \varphi }$ ${\displaystyle {\mathcal {N}}(\mu ,\sigma ^{2})}$ $${\displaystyle \ell (\mu ,\sigma \mid x_{1},x_{2},\ldots ,x_{n})=-\sum _{i}\ln x_{i}+\ell _{N}(\mu ,\sigma \mid \ln x_{1},\ln x_{2},\dots ,\ln x_{n}).}$$

最初の項はμとσに関して一定であるため、対数尤度関数 とは、同じ と で最大値に達します。したがって、観測値 に対する最大尤度推定値は、正規分布の推定値と同一です。 ${\displaystyle \ell }$ ${\displaystyle \ell _{N}}$ ${\displaystyle \mu }$ ${\displaystyle \sigma }$ ${\displaystyle \ln x_{1},\ln x_{2},\dots ,\ln x_{n})}$ $${\displaystyle {\widehat {\mu }}={\frac {\sum _{i}\ln x_{i}}{n}},\qquad {\widehat {\sigma }}^{2}={\frac {\sum _{i}{\left(\ln x_{i}-{\widehat {\mu }}\right)}^{2}}{n}}.}$$

有限のnの場合、 の推定値は不偏ですが、 の推定値は偏りがあります。正規分布の場合と同様に、 の不偏推定値は、の式において分母n をn −1に置き換えることで得られます。 ${\displaystyle \mu }$ ${\displaystyle \sigma }$ ${\displaystyle \sigma }$ ${\displaystyle {\widehat {\sigma }}^{2}}$

このことから、xの期待値のMLEは次のようになる。^{[ 43 ]} ${\displaystyle {\widehat {\theta }}_{\text{MLE}}={\widehat {\operatorname {E} [X]}}_{\text{MLE}}=e^{{\hat {\mu }}+{{\hat {\sigma }}^{2}}/{2}}}$

モーメント法

個々の値が入手できないが、標本の平均と標準偏差sが入手できる場合は、モーメント法を用いることができる。対応するパラメータは、およびの期待値と分散を求める方程式を解くことで得られる以下の式によって決定される。^{[ 44 ]} ${\displaystyle x_{1},x_{2},\ldots ,x_{n}}$ ${\displaystyle {\bar {x}}}$ ${\displaystyle \operatorname {E} [X]}$ ${\displaystyle \operatorname {Var} [X]}$ ${\displaystyle \mu }$ ${\displaystyle \sigma }$ $${\displaystyle {\begin{aligned}\mu &=\ln {\frac {\bar {x}}{\sqrt {1+{\widehat {\sigma }}^{2}/{\bar {x}}^{2}}}},\\[1ex]\sigma ^{2}&=\ln \left(1+{{\widehat {\sigma }}^{2}}/{\bar {x}}^{2}\right).\end{aligned}}}$$

その他の推定値

他にも、フィニーのUMVUE推定量^{[ 45 ]} 、 「近似最小平均二乗誤差推定量」、「近似不偏推定量」、「ミニマックス推定量」^{[ 46 ]} 、 「条件付き平均二乗誤差推定量」^{[ 47 ]}などの推定量や、その他のバリエーションも存在する。^{[ 48 ] [ 49 ]}

区間推定

対数正規分布データを分析する際に区間推定値を取得する最も効率的な方法は、正規分布に基づくよく知られた方法を対数変換されたデータに適用し、必要に応じて結果を逆変換することです。

予測区間

基本的な例として予測区間が挙げられます。正規分布の場合、予測区間には確率（または大きな標本）の約3分の2（68%）が含まれ、95%が含まれます。したがって、対数正規分布の場合、 ${\displaystyle [\mu -\sigma ,\mu +\sigma ]}$ ${\displaystyle [\mu -2\sigma ,\mu +2\sigma ]}$

• ${\displaystyle [\mu ^{*}/\sigma ^{*},\mu ^{*}\cdot \sigma ^{*}]=[\mu ^{*}{}^{\times }\!\!/\sigma ^{*}]}$2/3を含み、
• ${\displaystyle [\mu ^{*}/(\sigma ^{*})^{2},\mu ^{*}\cdot (\sigma ^{*})^{2}]=[\mu ^{*}{}^{\times }\!\!/(\sigma ^{*})^{2}]}$確率の95%が含まれます。推定パラメータを使用すると、これらの区間にはほぼ同じ割合のデータが含まれるはずです。

e ^μの信頼区間

この原理を用いると、の信頼区間は となる。ここでは標準誤差、qは自由度n-1のt分布の97.5%四分位数である。逆変換により、 （中央値） の信頼区間は次のように表される。 ${\displaystyle \mu }$ ${\displaystyle [{\widehat {\mu }}\pm q\cdot {\widehat {\mathop {se} }}]}$ ${\displaystyle \mathop {se} ={\widehat {\sigma }}/{\sqrt {n}}}$ ${\displaystyle \mu ^{*}=e^{\mu }}$ $${\displaystyle [{\widehat {\mu }}^{*}{}^{\times }\!\!/(\operatorname {sem} ^{*})^{q}]}$$ ${\displaystyle \operatorname {sem} ^{*}=({\widehat {\sigma }}^{*})^{1/{\sqrt {n}}}}$

E( X )の信頼区間

文献では、（対数正規分布の平均）の信頼区間を計算するためのいくつかの選択肢が議論されており、ブートストラップ法をはじめとする様々な手法が挙げられます。^{[ 50 ] [ 51 ]} ${\displaystyle \mu }$

コックス法^{[ a ]}は推定値をプラグインすることを提案している。 $${\displaystyle {\widehat {\mu }}={\frac {\sum _{i}\ln x_{i}}{n}},\qquad S^{2}={\frac {\sum _{i}\left(\ln x_{i}-{\widehat {\mu }}\right)^{2}}{n-1}}}$$

これらを使用して、次のように おおよその信頼区間を構築します。 ${\displaystyle \mathrm {CI} (\operatorname {E} (X)):\exp \left({\hat {\mu }}+{\frac {S^{2}}{2}}\pm z_{1-{\frac {\alpha }{2}}}{\sqrt {{\frac {S^{2}}{n}}+{\frac {S^{4}}{2(n-1)}}}}\right)}$

[証拠]

であることが分かっています。また、はパラメータを持つ正規分布です。 ${\displaystyle \operatorname {E} (X)=e^{\mu +{\frac {\sigma ^{2}}{2}}}}$ ${\displaystyle {\widehat {\mu }}}$ ${\displaystyle {\widehat {\mu }}\sim N\left(\mu ,{\frac {\sigma ^{2}}{n}}\right)}$

${\displaystyle S^{2}}$はカイ2乗分布を持ち、これは近似的に正規分布（CLT経由）し、パラメータは です。したがって、です。 ${\displaystyle S^{2}{\dot {\sim }}N\left(\sigma ^{2},{\frac {2\sigma ^{4}}{n-1}}\right)}$ ${\displaystyle {\frac {S^{2}}{2}}{\dot {\sim }}N\left({\frac {\sigma ^{2}}{2}},{\frac {\sigma ^{4}}{2(n-1)}}\right)}$

標本平均と分散は独立しており、正規分布する変数の合計も正規 であるため、次の式が得られます。 上記に基づいて、 の標準信頼区間は(ピボタル量を使用して) 次のように構築できます。 また、信頼区間は単調変換に対して保持されるため、次の式が得られます。 ${\displaystyle {\widehat {\mu }}+{\frac {S^{2}}{2}}{\dot {\sim }}N\left(\mu +{\frac {\sigma ^{2}}{2}},{\frac {\sigma ^{2}}{n}}+{\frac {\sigma ^{4}}{2(n-1)}}\right)}$ ${\displaystyle \mu +{\frac {\sigma ^{2}}{2}}}$ ${\displaystyle {\hat {\mu }}+{\frac {S^{2}}{2}}\pm z_{1-{\frac {\alpha }{2}}}{\sqrt {{\frac {S^{2}}{n}}+{\frac {S^{4}}{2(n-1)}}}}}$ ${\displaystyle \mathrm {CI} \left(\operatorname {E} [X]=e^{\mu +{\frac {\sigma ^{2}}{2}}}\right):\exp \left({\hat {\mu }}+{\frac {S^{2}}{2}}\pm z_{1-{\frac {\alpha }{2}}}{\sqrt {{\frac {S^{2}}{n}}+{\frac {S^{4}}{2(n-1)}}}}\right)}$

ご要望どおりです。

Olsson 2005は、を に置き換えた「修正Cox法」を提案した。これは、小さなサンプルサイズでより良いカバレッジ結果をもたらすと思われる。^{[ 50 ]：セクション3.4} ${\displaystyle z_{1-{\frac {\alpha }{2}}}}$ ${\displaystyle t_{n-1,1-{\frac {\alpha }{2}}}}$

2つの対数正規分布を比較するための信頼区間

2つの対数正規分布の比較は、例えばA/Bテストにおける処置群と対照群の比較など、しばしば興味深い問題となります。パラメータが と で、サンプルサイズがそれぞれ と である2つの独立した対数正規分布のサンプルがあります。 ${\displaystyle (\mu _{1},\sigma _{1}^{2})}$ ${\displaystyle (\mu _{2},\sigma _{2}^{2})}$ ${\displaystyle n_{1}}$ ${\displaystyle n_{2}}$

2 つの中央値の比較は、それぞれのログを取得し、単純な信頼区間を構築してそれを指数スケールに戻すことで簡単に行うことができます。

$${\displaystyle \mathrm {CI} (e^{\mu _{1}-\mu _{2}}):\exp \left({\hat {\mu }}_{1}-{\hat {\mu }}_{2}\pm z_{1-{\frac {\alpha }{2}}}{\sqrt {{\frac {S_{1}^{2}}{n}}+{\frac {S_{2}^{2}}{n}}}}\right)}$$

これらのCIは、疫​​学において相対リスクとオッズ比のCIを計算するためによく使用されます。^{[ 54 ]}_{ここで行われる方法は、2つの近似的に正規分布（例えば、RRのp1}とp2 _）があり、それらの比率を計算するというものです。^{[ b ]}

しかし、2つの標本の期待値（平均値）の比も興味深いかもしれませんが、その算出にはさらなる作業が必要です。その平均値の比は以下のとおりです。

$${\displaystyle {\frac {\operatorname {E} (X_{1})}{\operatorname {E} (X_{2})}}={\frac {e^{\mu _{1}+\sigma _{1}^{2}/2}}{e^{\mu _{2}+\sigma _{2}^{2}/2}}}=e^{(\mu _{1}-\mu _{2})+{\frac {1}{2}}\left(\sigma _{1}^{2}-\sigma _{2}^{2}\right)}}$$

これらの各パラメータに推定値をプラグインすると、対数正規分布も生成されます。つまり、上で説明した Cox 法をこのユースケースに同様に使用できます。

$${\displaystyle \mathrm {CI} \left({\frac {\operatorname {E} (X_{1})}{\operatorname {E} (X_{2})}}={\frac {e^{\mu _{1}+\sigma _{1}^{2}/2}}{e^{\mu _{2}+\sigma _{2}^{2}/2}}}\right):\exp \left(\left({\hat {\mu }}_{1}-{\hat {\mu }}_{2}+{\tfrac {1}{2}}S_{1}^{2}-{\tfrac {1}{2}}S_{2}^{2}\right)\pm z_{1-{\frac {\alpha }{2}}}{\sqrt {{\frac {S_{1}^{2}}{n_{1}}}+{\frac {S_{2}^{2}}{n_{2}}}+{\frac {S_{1}^{4}}{2(n_{1}-1)}}+{\frac {S_{2}^{4}}{2(n_{2}-1)}}}}\right)}$$

[証拠]

この比率の信頼区間を構築するには、まず が正規分布に従い、 と はどちらもカイ二乗分布に従い、これが近似的に正規分布している ( CLTにより、関連パラメータを使用) ことに留意します。 ${\displaystyle {\hat {\mu }}_{1}-{\hat {\mu }}_{2}}$ ${\displaystyle S_{1}^{2}}$ ${\displaystyle S_{2}^{2}}$

これはつまり $${\displaystyle ({\hat {\mu }}_{1}-{\hat {\mu }}_{2}+{\frac {1}{2}}S_{1}^{2}-{\frac {1}{2}}S_{2}^{2})\sim N\left((\mu _{1}-\mu _{2})+{\frac {1}{2}}(\sigma _{1}^{2}-\sigma _{2}^{2}),{\frac {\sigma _{1}^{2}}{n_{1}}}+{\frac {\sigma _{2}^{2}}{n_{2}}}+{\frac {\sigma _{1}^{4}}{2(n_{1}-1)}}+{\frac {\sigma _{2}^{4}}{2(n_{2}-1)}}\right)}$$

上記に基づいて、標準信頼区間は（ピボタル量を使用して）次のように構築できます。 また、信頼区間は単調変換に対して保持されるため、次のようになります。 ${\displaystyle ({\hat {\mu }}_{1}-{\hat {\mu }}_{2}+{\frac {1}{2}}S_{1}^{2}-{\frac {1}{2}}S_{2}^{2})\pm z_{1-{\frac {\alpha }{2}}}{\sqrt {{\frac {S_{1}^{2}}{n_{1}}}+{\frac {S_{2}^{2}}{n_{2}}}+{\frac {S_{1}^{4}}{2(n_{1}-1)}}+{\frac {S_{2}^{4}}{2(n_{2}-1)}}}}}$ ${\displaystyle CI\left({\frac {\operatorname {E} (X_{1})}{\operatorname {E} (X_{2})}}={\frac {e^{\mu _{1}+{\frac {\sigma _{1}^{2}}{2}}}}{e^{\mu _{2}+{\frac {\sigma _{2}^{2}}{2}}}}}\right):e^{\left(({\hat {\mu }}_{1}-{\hat {\mu }}_{2}+{\frac {1}{2}}S_{1}^{2}-{\frac {1}{2}}S_{2}^{2})\pm z_{1-{\frac {\alpha }{2}}}{\sqrt {{\frac {S_{1}^{2}}{n_{1}}}+{\frac {S_{2}^{2}}{n_{2}}}+{\frac {S_{1}^{4}}{2(n_{1}-1)}}+{\frac {S_{2}^{4}}{2(n_{2}-1)}}}}\right)}}$

ご要望どおりです。

2つの期待値の比率にMLEを単純に使用して比率推定値を作成すると、一貫性はあるものの偏りのある点推定値になることは注目に値する（比率の推定値は対数正規分布であるという事実を使用する）。^{[ c ]}

$${\displaystyle {\begin{aligned}\operatorname {E} \left[{\frac {{\widehat {\operatorname {E} }}(X_{1})}{{\widehat {\operatorname {E} }}(X_{2})}}\right]&=\operatorname {E} \left[\exp \left(\left({\widehat {\mu }}_{1}-{\widehat {\mu }}_{2}\right)+{\tfrac {1}{2}}\left(S_{1}^{2}-S_{2}^{2}\right)\right)\right]\\&\approx \exp \left[{(\mu _{1}-\mu _{2})+{\frac {1}{2}}(\sigma _{1}^{2}-\sigma _{2}^{2})+{\frac {1}{2}}\left({\frac {\sigma _{1}^{2}}{n_{1}}}+{\frac {\sigma _{2}^{2}}{n_{2}}}+{\frac {\sigma _{1}^{4}}{2(n_{1}-1)}}+{\frac {\sigma _{2}^{4}}{2(n_{2}-1)}}\right)}\right]\end{aligned}}}$$

自由パラメータσを固定するエントロピーの極値原理

応用においては、決定すべきパラメータである。生産と散逸が均衡する成長過程においては、シャノンエントロピーの極限原理を用いると^{[ 55 ]} ${\displaystyle \sigma }$ $${\displaystyle \sigma ={\frac {1}{\sqrt {6}}}}$$

この値は、対数正規分布の変曲点と最大点の間のスケーリング関係を与えるために使用することができます。^{[ 55 ]}この関係は自然対数の底によって決定され、最小表面エネルギー原理と幾何学的な類似性を示します。これらのスケーリング関係は、多くの成長プロセス（伝染病の蔓延、液滴の飛散、人口増加、浴槽渦の旋回速度、言語特性の分布、乱流の速度プロファイルなど）を予測するのに役立ちます。例えば、このような対数正規関数は、液滴衝突時に二次的に生成される液滴のサイズ^{[ 56 ]}や伝染病の蔓延^{[ 57 ]とよく一致します。} ${\displaystyle e=2.718\ldots }$ ${\displaystyle \sigma }$

この値はドレイク方程式の確率解を与えるために使用されます。^{[ 58 ]} ${\textstyle \sigma =1{\big /}{\sqrt {6}}}$

発生と応用

対数正規分布は自然現象の記述において重要である。多くの自然成長過程は、対数スケール上で加算される多数の小さなパーセンテージ変化の蓄積によって引き起こされる。適切な規則性条件下では、結果として生じる蓄積された変化の分布は、上記の「乗法中心極限定理」のセクションで述べたように、対数正規分布によって次第によく近似されるようになる。これは、企業のために定式化したロバート・ジブラ（1904-1980）にちなんで、ジブラの法則としても知られている。 ^{[ 59 ]}これらの小さな変化の蓄積率が時間の経過とともに変化しない場合、成長はサイズとは無関係になる。この仮定が正しくない場合でも、時間の経過とともに成長するもののどの年齢でもサイズ分布は対数正規分布になる傾向がある。したがって、健康な個人の測定値の基準範囲は、平均値に関する対称分布を仮定するよりも、対数正規分布を仮定する方がより正確に推定できる。

二つ目の根拠は、基本的な自然法則が正の変数の乗算と除算を示唆するという観察に基づいています。例としては、質量と距離を結果として生じる力と結びつける単純な万有引力の法則や、抽出物と生成物の濃度を結びつける溶液中の化学物質の平衡濃度の式などが挙げられます。これらのケースでは、関係する変数が対数正規分布に従うと仮定することで、整合的なモデルが得られます。

具体的な例は以下の節に示す。^{[ 60 ]}には、地質学、生物学、医学、食品、生態学などの分野における対数正規分布のレビューと表が掲載されている。^{[ 61 ]}は、神経科学における対数正規分布に関するレビュー記事で、参考文献が注釈付きで掲載されている。

人間の行動

• インターネットのディスカッションフォーラムに投稿されたコメントの長さは対数正規分布に従う。^{[ 62 ]}
• ユーザーのオンライン記事（ジョーク、ニュースなど）への滞在時間は対数正規分布に従う。^{[ 63 ]}
• チェスのゲームの長さは対数正規分布に従う傾向がある。^{[ 64 ]}
• 標準刺激と一致する音響比較刺激の開始持続時間は対数正規分布に従う。^{[ 17 ]}

生物学と医学

• 生体組織の大きさの測定（長さ、皮膚面積、重量）。^{[ 65 ]}
• 病気の潜伏期間^{[ 66 ]}
• バナナの葉の斑点の直径、大麦のうどんこ病。^{[ 60 ]}
• 2003年のSARSのような非常に感染力の強い伝染病の場合、公的介入による制御政策が関与すると、エントロピーを仮定し、標準偏差をエントロピー生成の最大速度の原理によって決定すると、入院症例数は自由パラメータのない対数正規分布を満たすことが示されている。^{[ 67 ]}
• 生物標本の不活性な付属肢（毛、爪、爪、歯）の成長方向の長さ。
• 任意のゲノム領域の正規化された RNA-Seq リードカウントは、対数正規分布によって十分に近似できます。
• PacBioシーケンシングのリード長は対数正規分布に従う。^{[ 68 ]}
• 特定の生理学的測定、例えば成人の血圧（男性と女性の集団に分けた後）^{[ 69 ]}
• Cmax _、消失半減期、消失速度定数などのいくつかの薬物動態変数。^{[ 70 ]}
• 神経科学において、ニューロン集団全体の発火率分布は、しばしば近似的に対数正規分布を示す。これは最初に大脳皮質と線条体で観察され^{[ 71 ]}、その後海馬と嗅内皮質^{[ 72 ]}、そして脳の他の部位でも観察された^{[ 61 ] [ 73 ]} 。また、固有ゲイン分布とシナプス荷重分布も対数正規分布を示す^{[ 74 ]}。
• 大脳皮質のニューロン密度は、神経発達中の細胞分裂過程のノイズによるものである。^{[ 75 ]}
• 手術室管理では、手術時間の分布が重要です。
• 生細胞の細胞骨格における破壊の雪崩の大きさは対数正規分布を示し、癌細胞では健康細胞よりも著しく大きい。^{[ 76 ]}

化学

• 粒子サイズ分布とモル質量分布。
• 鉱物中の希少元素の濃度。^{[ 77 ]}
• アイスクリームの結晶の直径、マヨネーズの油滴、ココアプレスケーキの孔。^{[ 60 ]}

年間最大日降水量に近似した累積対数正規分布。分布の近似を参照。

物理科学

• 水文学では、対数正規分布は、日降雨量や河川流量の月間および年間の最大値などの変数の極端な値を分析するために使用されます。^{[ 78 ]}
  • 右の画像は、年間最大 1 日降雨量の順位付けに対数正規分布を当てはめた例を示しており、二項分布に基づく90%信頼区間も表示しています。
  • 降雨量データは、累積頻度分析の一部として位置をプロットすることによって表されます。
• 海洋物理学において、真冬の南大西洋における氷山の大きさは対数正規分布に従うことが分かっています。1986年にFSポーラーシュテルンが目視とレーダーで測定した氷山の大きさは、荒波による波の作用によって屈曲し、砕けることで決まると考えられていました。^{[ 79 ]}
• 大気科学では、対数正規分布（または複数の対数正規関数を組み合わせて作成された分布）は、火山灰から雲や雨、空気中の微生物まで、さまざまな種類の粒子のサイズと濃度の測定値とモデルの両方を特徴付けるために使用されています。^{[ 80 ] [ 81 ] [ 82 ] [ 83 ]}対数正規分布は厳密に経験的なものであるので、火山灰などの粒子のサイズ分布を制御するプロセスをよりよく理解するために、より物理に基づいた分布が採用されています。^{[ 84 ]}

社会科学と人口統計学

• 経済学では、人口の97～99%の所得が対数正規分布しているという証拠がある。 ^{[ 85 ]}（高所得者の所得分布はパレート分布に従う）。^{[ 86 ]}
• 所得分布が標準偏差 の対数正規分布に従う場合、所得の不平等を評価するために一般的に使用されるジニ係数 は、次のように計算できます。ここで は誤差関数です。これは、 であり、は標準正規分布の累積分布関数であるためです。 ${\displaystyle \sigma }$ ${\displaystyle G=\operatorname {erf} \left({\frac {\sigma }{2}}\right)}$ ${\displaystyle \operatorname {erf} }$ ${\displaystyle G=2\Phi {\left({\frac {\sigma }{\sqrt {2}}}\right)}-1}$ ${\displaystyle \Phi (x)}$
• 金融、特にブラック・ショールズ・モデルにおいては、為替レート、物価指数、株価指数の対数の変化は正規分布に従うと仮定されている^{[ 87 ]}（これらの変数は単利ではなく複利のように振舞うため、乗法的である）。しかし、ブノワ・マンデルブロなどの数学者の中には、^裾が厚い対数^レヴィ分布の方が、特に株式市場の暴落の分析にはより適切なモデルであると主張する者もいる [ 88 ^]。確かに、株価分布は典型的には裾が厚い^{[ 89 ]}。株式市場の暴落時の変化の裾が厚い分布は、中心極限定理の仮定を否定する。
• 科学計量学では、ジャーナル論文や特許の引用数は離散対数正規分布に従う。^{[ 90 ] [ 91 ]}
• 都市規模（人口）はジブラの法則を満たす。^{[ 92 ]}都市規模の成長過程は都市規模に比例し、不変である。したがって、中心極限定理から、都市規模の対数は正規分布する。
• 性的パートナーの数は対数正規分布によって最もよく説明されるようである。^{[ 93 ]}

テクノロジー

• 信頼性分析では、対数正規分布は保守可能なシステムの修復時間をモデル化するためによく使用されます。^{[ 94 ]}
• 無線通信では、「dBやネーパーなどの対数値で表される局所平均電力は、正規分布（ガウス分布）に従います。」^{[ 95 ]}また、大きな建物や丘などによる無線信号のランダムな遮蔽（シャドウイング）は、対数正規分布としてモデル化されることが多い。
• ボールミル粉砕などのランダム衝撃による粉砕によって生成される粒子サイズ分布。^{[ 96 ]}
• 公開されている音声・動画データファイル（MIMEタイプ）のファイルサイズ分布は、5桁の対数正規分布に従っています。^{[ 97 ]}
• 1999年に収集されたWindows OSを搭載したパーソナルコンピュータ上の1億4000万ファイルのファイルサイズ。^{[ 98 ] [ 62 ]}
• テキストベースの電子メール（1990年代）とマルチメディアベースの電子メール（2000年代）のサイズ。^{[ 62 ]}
• コンピュータネットワークとインターネットトラフィック分析において、対数正規分布は単位時間あたりのトラフィック量を表す優れた統計モデルとして示されています。これは、実際のインターネットトラフィックの大規模なグループに堅牢な統計的アプローチを適用することで実証されています。この文脈において、対数正規分布は主に2つのユースケースにおいて優れた性能を示しています。(1) トラフィックが所定のレベルを超える時間の割合を予測する（サービスレベル契約またはリンク容量の推定のため）、すなわち帯域幅プロビジョニングに基づくリンクディメンショニング、(2) 95パーセンタイル価格の予測です。^{[ 99 ]}
• 物理試験において、特定の条件下でのアイテムの故障までの時間を測定する場合、データは対数正規分布を使用して分析するのが最適です。^{[ 100 ] [ 101 ]}

参照

• 重尾分布
• 対数距離経路損失モデル
• 修正対数正規べき乗分布
• フェードアウト

注記

1. コックス法は、ランド（1971） ^{[ 52 ]で「個人的なコミュニケーション」として引用されており、周と高（1997） [ 53 ]}とオルソン2005 ^{[ 50 ]：セクション3.3} でも示されています。
2. 問題は、それを直接行う方法がわからないことです。そのため、それらの対数を取得し、デルタ法を使用して、それらの対数自体が（近似的に）正規分布であるとします。 このトリックにより、それらの exp が対数正規分布であると仮定し、その近似を使用して CI を作成できます。 RR の場合、基本分布（つまり、対数を取得する前）の中央値と平均値は実際には同一であることに注意してください（元々は正規分布であり、対数正規分布ではないため）。 たとえば、およびしたがって、対数に基づいて CI を構築し、その後逆変換すると、 が得られます。 したがって、CI が中央値に対してであると予想しますが、この場合は、元の分布の平均値に対しても CI になります。 つまり、元が対数正規分布であれば、 であると予想します。 しかし、実際には であることがわかっています。 したがって、近似値は 2 番目のステップ（デルタ法）にありますが、CI は実際には期待値（中央値だけでなく）に対してです。これは、正規分布を基本分布として出発し、対数を用いて正規分布に近似した後、さらに別の近似値を使用しているためです。つまり、信頼区間（CI）の大部分はデルタ法による近似値です。 ${\displaystyle {\hat {p}}_{1}{\dot {\sim }}N(p_{1},p_{1}(1-p1)/n)}$ ${\displaystyle \ln {\hat {p}}_{1}{\dot {\sim }}N(\ln p_{1},(1-p1)/(p_{1}n))}$ ${\displaystyle CI(p_{1}):e^{\ln {\hat {p}}_{1}\pm (1-{\hat {p}}_{1})/({\hat {p}}_{1}n))}}$ ${\displaystyle {\hat {p}}_{1}}$ ${\displaystyle \operatorname {E} [{\hat {p}}_{1}]=e^{\ln p_{1}+{\tfrac {1}{2}}(1-p1)/(p_{1}n)}}$ ${\displaystyle \operatorname {E} [{\hat {p}}_{1}]=e^{\ln p_{1}}=p_{1}}$
3. 推定平均値と分散を近似正規分布として扱うだけで式を見つけることができます。これは、項自体が対数正規分布であることを示しており、期待値を素早く得ることができます。バイアスは、以下を用いることで部分的に最小化できます。 $${\displaystyle {\begin{aligned}{\widehat {\left[{\frac {\operatorname {E} (X_{1})}{\operatorname {E} (X_{2})}}\right]}}&=\left[{\frac {{\widehat {\operatorname {E} }}(X_{1})}{{\widehat {\operatorname {E} }}(X_{2})}}\right]{\frac {2}{\widehat {\left({\frac {\sigma _{1}^{2}}{n_{1}}}+{\frac {\sigma _{2}^{2}}{n_{2}}}+{\frac {\sigma _{1}^{4}}{2(n_{1}-1)}}+{\frac {\sigma _{2}^{4}}{2(n_{2}-1)}}\right)}}}\\&\approx \left[e^{({\widehat {\mu }}_{1}-{\widehat {\mu }}_{2})+{\frac {1}{2}}\left(S_{1}^{2}-S_{2}^{2}\right)}\right]{\frac {2}{{\frac {S_{1}^{2}}{n_{1}}}+{\frac {S_{2}^{2}}{n_{2}}}+{\frac {S_{1}^{4}}{2(n_{1}-1)}}+{\frac {S_{2}^{4}}{2(n_{2}-1)}}}}\end{aligned}}}$$

参考文献

1. Norton, Matthew; Khokhlov, Valentyn; Uryasev, Stan (2019). 「共通確率分布のCVaRとbPOEの計算とポートフォリオ最適化および密度推定への応用」(PDF) . Annals of Operations Research . 299 ( 1– 2). Springer: 1281– 1315. arXiv : 1811.11301 . doi : 10.1007/s10479-019-03373-1 . S2CID  254231768. 2021年4月18日時点のオリジナルよりアーカイブ(PDF) . 2023年2月27日閲覧– stonybrook.edu経由.
2. Weisstein, Eric W. 「対数正規分布」 . mathworld.wolfram.com . 2020年9月13日閲覧。
3. 「1.3.6.6.9. 対数正規分布」 . www.itl.nist.gov . 米国国立標準技術研究所(NIST) . 2020年9月13日閲覧。
4. ジョンソン、ノーマン・L.; コッツ、サミュエル; バラクリシュナン、N. (1994)、「14: 対数正規分布」、連続一変量分布。第1巻、ワイリー確率・数理統計シリーズ：応用確率・統計（第2版）、ニューヨーク：ジョン・ワイリー・アンド・サンズ、ISBN 978-0-471-58495-7、MR  1299979
5. Park, Sung Y.; Bera, Anil K. (2009). 「最大エントロピー自己回帰条件付き異分散モデル」(PDF) . Journal of Econometrics . 150 (2): 219– 230, 特に表1, p. 221. CiteSeerX 10.1.1.511.9750 . doi : 10.1016/j.jeconom.2008.12.014 . 2016年3月7日時点のオリジナル(PDF)からアーカイブ。 2011年6月2日閲覧。 
6. Tarmast, Ghasem (2001).多変量対数正規分布(PDF) . ISI Proceedings: 53rd Session. ソウル. 2013年7月19日時点のオリジナルよりアーカイブ(PDF) .
7. Halliwell, Leigh (2015).対数正規分布ランダム多変量(PDF) . カジュアルティ・アクチュアリー協会Eフォーラム、2015年春. バージニア州アーリントン. 2015年9月30日時点のオリジナルよりアーカイブ(PDF) .
8. Heyde, CC. (2010)、「対数正規分布の特性について」、王立統計学会誌、シリーズB、第25巻、第2号、pp.  392– 393、doi : 10.1007/978-1-4419-5823-5_6、ISBN 978-1-4419-5822-8{{citation}}: CS1 maint: work parameter with ISBN (link)
9. ビリングスリー、パトリック（2012年）『確率と測度（記念版）』ホボーケン、ニュージャージー州：ワイリー、p.415、ISBN 978-1-118-12237-2. OCLC  780289503 .
10. Holgate, P. (1989). 「対数正規特性関数, 第18巻, pp. 4539–4548, 1989」. Communications in Statistics – Theory and Methods . 18 (12): 4539– 4548. doi : 10.1080/03610928908830173 .
11. Barakat, R. (1976). 「独立した対数正規分布に従う確率変数の和」.アメリカ光学会誌. 66 (3): 211– 216. Bibcode : 1976JOSA...66..211B . doi : 10.1364/JOSA.66.000211 .
12. Barouch, E.; Kaufman, GM.; Glasser, ML. (1986). 「対数正規分布の確率変数の和について」(PDF) .応用数学研究. 75 (1): 37– 55. doi : 10.1002/sapm198675137 . hdl : 1721.1/48703 .
13. Leipnik, Roy B. (1991年1月). 「対数正規分布の確率変数について：I 特性関数」(PDF) .オーストラリア数学会誌、シリーズB. 32 ( 3): 327– 347. doi : 10.1017/S0334270000006901 .
14. S. Asmussen, JL Jensen, L. Rojas-Nandayapa (2016). 「対数正規分布のラプラス変換について」, Methodology and Computing in Applied Probability 18 (2), 441-458. Thiele report 6 (13).
15. カークウッド、トーマスBL（1979年12月）「幾何平均と分散の尺度」バイオメトリクス35（4）：908-909 . JSTOR 2530139 . 
16. Limpert, E; Stahel, W; Abbt, M (2001). 「科学分野における対数正規分布：鍵と手がかり」 . BioScience . 51 (5): 341– 352. doi : 10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2 .
17. Heil P, Friedrich B (2017). 「音響刺激のオンセット-持続時間のマッチングの再考：従来の算術的手法と提案された幾何学的手法による精度と精密度の比較」. Frontiers in Psychology . 7 : 2013. doi : 10.3389/fpsyg.2016.02013 . PMC 5216879. PMID 28111557 .  
18. Sawant, S.; Mohan, N. (2011)「FAQ: SASを用いた臨床試験データの有効性分析に関する問題」Wayback Machineに2011年8月24日アーカイブ、 PharmaSUG2011、論文PO08
19. Schiff, MH; et al. (2014). 「関節リウマチ患者におけるメトトレキサート経口投与と皮下投与の直接比較ランダム化クロスオーバー試験：15mg以上の用量での経口メトトレキサートの薬剤曝露限界は皮下投与によって克服される可能性がある」 . Ann Rheum Dis . 73 (8): 1– 3. doi : 10.1136 / annrheumdis-2014-205228 . PMC 4112421. PMID 24728329 .  
20. Daly, Leslie E.; Bourke, Geoffrey Joseph (2000). 『医療統計の解釈と利用』第46巻（第5版）オックスフォード、英国：Wiley-Blackwell. p. 89. doi : 10.1002/9780470696750 . ISBN 978-0-632-04763-5. PMC  1059583 ;{{cite book}}:|journal=無視されました（ヘルプ）印刷版。オンライン電子書籍のISBN 9780470696750
21. "ProbOnto" . 2017年7月1日閲覧。
22. Swat, MJ; Grenon, P; Wimalaratne, S (2016). 「ProbOnto: 確率分布のオントロジーと知識ベース」 .バイオインフォマティクス. 32 (17): 2719– 2721. doi : 10.1093/bioinformatics/btw170 . PMC 5013898. PMID 27153608 .  
23. Forbes他「確率分布」（2011年）、John Wiley & Sons, Inc.
24. Lunn, D. (2012). 『BUGSブック：ベイズ分析の実践的入門』統計科学テキスト. CRC Press.
25. Limpert, E.; Stahel, WA; Abbt, M. (2001). 「科学分野における対数正規分布：鍵と手がかり」 . BioScience . 51 (5): 341– 352. doi : 10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2 .
26. Nyberg, J.; et al. (2012). 「PopED – 拡張・並列化された集団最適設計ツール」. Comput Methods Programs Biomed . 108 (2): 789– 805. doi : 10.1016/j.cmpb.2012.05.005 . PMID 22640817 . 
27. Retout, S; Duffull, S; Mentré, F (2001). 「母集団薬物動態デザインの評価のための母集団フィッシャー情報量マトリックスの開発と実装」Comp Meth Pro Biomed . 65 (2): 141– 151. doi : 10.1016/S0169-2607(00)00117-6 . PMID 11275334 . 
28. PopED開発チーム (2016). PopEDマニュアル、リリースバージョン2.13. 技術レポート、ウプサラ大学.
29. ProbOnto Webサイト、URL: http://probonto.org
30. Cococcioni, Marco; Fiorini, Francesco; Pagano, Michele (2023-04-06). 「数値的に検証可能な無限分散を持つ対数正規分布を用いたヘビーテール現象のモデル化」 .数学. 11 (7): 1758. doi : 10.3390/math11071758 . hdl : 11568/1216554 . ISSN 2227-7390 . 
31. Damgaard, Christian; Weiner, Jacob (2000). 「植物の大きさや繁殖力の不平等の記述」.生態学. 81 (4): 1139– 1142. doi : 10.1890/0012-9658(2000)081[1139:DIIPSO]2.0.CO;2 .
32. Rossman, Lewis A (1990年7月). 「調和平均に基づく設計流量」. Journal of Hydraulic Engineering . 116 (7): 946– 950. doi : 10.1061/(ASCE)0733-9429(1990)116:7(946) .
33. Thorin, Olof (1977). 「対数正規分布の無限割り切れる可能性について」. Scandinavian Actuarial Journal . 1977 (3): 121– 148. doi : 10.1080/03461238.1977.10405635 . ISSN 0346-1238 . 
34. Gao, Xin (2009). 「相関対数正規変数の和に対する裾密度の漸近的挙動」 .国際数学・数理科学ジャーナル. 2009 : 1–28 . doi : 10.1155/2009/630857 .
35. Asmussen, S.; Rojas-Nandayapa, L. (2008). 「ガウスコピュラによる対数正規確率変数の和の漸近解析」(PDF) .統計と確率レター. 78 (16): 2709– 2714. doi : 10.1016/j.spl.2008.03.035 .
36. Marlow, NA. (1967年11月). 「独立正規確率変数のべき乗和に関する正規極限定理」.ベルシステム技術ジャーナル. 46 (9): 2081– 2089. doi : 10.1002/j.1538-7305.1967.tb04244.x .
37. Botev, ZI; L'Ecuyer, P. (2017). 「従属対数正規分布の変数和の右裾の正確な計算」. 2017年冬季シミュレーション会議 (WSC), 2017年12月3日～6日. ラスベガス, ネバダ州: IEEE. pp.  1880– 1890. arXiv : 1705.03196 . doi : 10.1109/WSC.2017.8247924 . ISBN 978-1-5386-3428-8。
38. Asmussen, A.; Goffard, P.-O.; Laub, PJ (2016). 「直交多項式展開と対数正規和密度」. arXiv : 1601.01763v1 [ math.PR ].
39. Botev, ZI; Salomone, R.; Mackinlay, D. (2019). 「従属対数正規分布の和の分布の高速かつ正確な計算」 . Annals of Operations Research . 280 : 19–46 . doi : 10.1007/s10479-019-03161-x .
40. Sangal, B.; Biswas, A. (1970). 「3パラメータ対数正規分布の水文学への応用」.水資源研究. 6 (2): 505– 515. doi : 10.1029/WR006i002p00505 .
41. Johnson, NL (1949). 「並進法によって生成される頻度曲線システム」. Biometrika . 36 (1/2): 149– 176. doi : 10.2307/2332539 . JSTOR 2332539. PMID 18132090 .  
42. Swamee, PK (2002). 「対数正規分布に近い分布」. Journal of Hydrologic Engineering . 7 (6): 441– 444. doi : 10.1061/(ASCE)1084-0699(2002)7:6(441) .
43. シェン、ウェイシュン。 「対数正規分布のパラメータの推定」台湾数学ジャーナル2.2 (1998): 243–250。 pdf
44. Henry ( https://math.stackexchange.com/users/6460/henry )、対数正規分布のモーメント法推定量、URL (バージョン: 2022-01-12): https://math.stackexchange.com/q/4355343
45. Finney, DJ「対数が正規分布する変量の分布について」王立統計学会誌補足7.2（1941年）：155–161。
46. ロングフォード、ニコラスT.「対数正規分布による推論」統計計画と推論ジャーナル139.7（2009）：2329–2340。
47. ゼルナー、アーノルド。「対数正規分布と対数正規回帰のベイズ分析と非ベイズ分析」アメリカ統計学会誌66.334 (1971): 327–330。
48. Tang, Qi. 「対数正規分布の平均を推定するための様々な手法の比較」修士論文. イーストテネシー州立大学, 2014.リンクhttps://dc.etsu.edu/cgi/viewcontent.cgi?article=3728&context=etd#page=12.13 pdf]
49. クォン・イェイル「対数正規分布の平均を推定するための代替手法」統計応用と手法に関する通信28.4 (2021): 351–368.リンク
50. オルソン、ウルフ「対数正規分布の平均の信頼区間」統計教育ジャーナル13.1（2005年）。pdf html
51. user10525、「対数正規分布データセットの平均の信頼区間を計算するにはどうすればよいですか？」、URL（バージョン：2022-12-18）： https ://stats.stackexchange.com/q/33395
52. Land, CE (1971)、「正規平均と分散の線形関数の信頼区間」、Annals of Mathematical Statistics、42、1187–1205。
53. Zhou, XH.、Gao, S.（1997）「対数正規平均の信頼区間」、 Statistics in Medicine、16、783-790。
54. リスク比とオッズ比の信頼区間
55. Wu, Ziniu; Li, Juan; Bai, Chenyuan (2017). 「対数正規型成長過程のスケーリング関係とエントロピー極限原理」 .エントロピー. 19 (56): 1– 14. Bibcode : 2017Entrp..19...56W . doi : 10.3390/e19020056 .
56. Wu, Zi-Niu (2003). 「固体壁に衝突する液滴のクラウンスプラッシュによる二次噴出液滴の粒度分布の予測」.確率工学力学. 18 (3): 241– 249. Bibcode : 2003PEngM..18..241W . doi : 10.1016/S0266-8920(03)00028-6 .
57. Wang, WenBin; Wu, ZiNiu; Wang, ChunFeng; Hu, RuiFeng (2013). 「エントロピーベースの熱力学モデルによる制御された伝染病の蔓延率のモデリング」 . Science China Physics, Mechanics and Astronomy . 56 (11): 2143– 2150. arXiv : 1304.5603 . Bibcode : 2013SCPMA..56.2143W . doi : 10.1007/ s11433-013-5321-0 . ISSN 1674-7348 . PMC 7111546. PMID 32288765 .   
58. Bloetscher, Frederick (2019). 「予測ベイジアン・モンテカルロ-マルコフ連鎖法を用いたドレイク方程式の確率的解の提供」. Acta Astronautica . 155 : 118–130 . Bibcode : 2019AcAau.155..118B . doi : 10.1016/j.actaastro.2018.11.033 . S2CID 117598888 . 
59. 月）「ジブラの遺産」経済文献ジャーナル32 （1）：40-59。JSTOR 2729692 。 
60. リンパート, エックハルト; シュターヘル, ヴェルナー A.; アブト, マルクス (2001). 「科学分野における対数正規分布：鍵と手がかり」 .バイオサイエンス. 51 (5): 341. doi : 10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2 . ISSN 0006-3568 . 
61. Buzsáki, György; Mizuseki, Kenji (2017-01-06). 「対数動態脳：歪んだ分布がネットワーク動作に与える影響」 . Nature Reviews. Neuroscience . 15 (4): 264– 278. doi : 10.1038/nrn3687 . ISSN 1471-003X . PMC 4051294. PMID 24569488 .   
62. Pawel, Sobkowicz; et al. (2013). 「インターネット上の議論におけるユーザー投稿の長さの対数正規分布 ― ウェーバー＝フェヒナーの法則の帰結か？」EPJ Data Science .
63. Yin, Peifeng; Luo, Ping; Lee, Wang-Chien; Wang, Min (2013). 「沈黙もまた証拠となる：心理学的観点から推薦のための滞在時間を解釈する」 ACM International Conference on KDD.
64. 「チェスのゲームの平均時間は？」chess.stackexchange.com . 2018年4月14日閲覧。
65. ハクスリー、ジュリアン・S.（1932年）『相対成長の問題』ロンドン、ISBN 978-0-486-61114-3. OCLC  476909537 .{{cite book}}: ISBN / Date incompatibility (help)
66. サートウェル、フィリップE.「感染症の潜伏期間の分布」アメリカ衛生学誌51（1950）：310-318。
67. SK Chan, Jennifer; Yu, Philip LH (2006). 「閾値幾何プロセスを用いたSARSデータのモデリング」. Statistics in Medicine . 25 (11): 1826– 1839. doi : 10.1002/sim.2376 . PMID 16345017. S2CID 46599163 .  
68. 小野幸輝; 浅井潔; 浜田道明 (2013-01-01). 「PBSIM: PacBio読み取りシミュレーター—正確なゲノムアセンブリに向けて」 .バイオインフォマティクス. 29 (1): 119– 121. doi : 10.1093/bioinformatics/bts649 . ISSN 1367-4803 . PMID 23129296 .  
69. Makuch, Robert W.; DH Freeman; MF Johnson (1979). 「血圧モデルとしての対数正規分布の妥当性」. Journal of Chronic Diseases . 32 (3): 245– 250. doi : 10.1016/0021-9681(79)90070-5 . PMID 429469 . 
70. Lacey, LF; Keene, ON; Pritchard, JF; Bye, A. (1997-01-01). 「一般的な非コンパートメント薬物動態変数：それらは正規分布か対数正規分布か？」 . Journal of Biopharmaceutical Statistics . 7 (1): 171– 178. doi : 10.1080/10543409708835177 . ISSN 1054-3406 . PMID 9056596 .  
71. Scheler, Gabriele; Schumann, Johann (2006-10-08).ニューロン出力率の多様性と安定性. 第36回神経科学会議, アトランタ.
72. 水関 健二; Buzsáki György (2013-09-12). 「海馬と嗅内皮質における発火率の事前設定された偏った分布」 . Cell Reports . 4 (5): 1010– 1021. doi : 10.1016/j.celrep.2013.07.039 . ISSN 2211-1247 . PMC 3804159. PMID 23994479 .   
73. Wohrer, Adrien; Humphries, Mark D.; Machens, Christian K. (2013-04-01). 「知覚的意思決定における神経活動の集団全体分布」 . Progress in Neurobiology . 103 : 156–193 . doi : 10.1016/j.pneurobio.2012.09.004 . ISSN 1873-5118 . PMC 5985929. PMID 23123501 .   
74. Scheler, Gabriele (2017-07-28). 「対数分布は内発的学習がヘブ分布であることを証明する」 . F1000Research . 6 : 1222. doi : 10.12688/f1000research.12130.2 . PMC 5639933. PMID 29071065 .  
75. Morales-Gregorio, Aitor; van Meegen, Alexander; van Albada, Sacha (2023). 「哺乳類大脳皮質におけるニューロン密度の普遍的な対数正規分布」 .大脳皮質. 33 (16): 9439– 9449. doi : 10.1093/cercor/ bhad160 . PMC 10438924. PMID 37409647 .  
76. ポリッツィ、ステファノ;ラペルーザ、バスティアン。ペレス・レチェ、フランシスコ・J;ニコリーニ、フランク E;サッタ、ヴェロニク・マグエル。アルネオド、アラン。アルグール、フランソワーズ (2018-05-29)。「生細胞可塑性のための最小破壊カスケードモデル」。新しい物理学ジャーナル。20 (5): 053057。ビブコード: 2018NJPh...20e3057P。土井：10.1088/1367-2630/aac3c7。hdl : 2164/10561。ISSN 1367-2630。 
77. Ahrens, LH (1954-02-01). 「元素の対数正規分布（地球化学の基本法則とその補助法則）」 . Geochimica et Cosmochimica Acta . 5 (2): 49– 73. Bibcode : 1954GeCoA...5...49A . doi : 10.1016/0016-7037(54)90040-X . ISSN 0016-7037 . 
78. Oosterbaan, RJ (1994). 「6: 頻度分析と回帰分析」(PDF) . Ritzema, HP (編).排水原理と応用, 出版物16.オランダ、ワーゲニンゲン：国際土地改良研究所 (ILRI). pp.  175–224 . ISBN 978-90-70754-33-4。
79. Wadhams, Peter (1988). 「南大西洋における氷山の出現頻度と大きさの冬季観測」Journal of Geophysical Research: Oceans . 93 (C4): 3583– 3590. doi : 10.1029/JC093iC04p03583 .
80. Heintzenberg, Jost (1994). 「対数正規粒子サイズ分布の特性」エアロゾル科学技術. 21 (1): 46– 48. doi : 10.1080/02786829408959695 .
81. リンパート, エックハルト; シュターヘル, ヴェルナー A.; アブト, マルクス (2001). 「科学分野における対数正規分布：鍵と手がかり」.バイオサイエンス. 51 (5): 341– 352. doi : 10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2 .
82. Di Giorgio, C; Krempff, A; Guiraud, H; Binder, P; Tiret, C; Dumenil, G (1996). 「マルセイユ市における空中微生物による大気汚染」.大気環境. 30 : 155–160 . doi : 10.1016/1352-2310(95)00143-M .
83. Sheridan, MF; Wohletz, KH; Dehn, J. (1987). 「火砕堆積物における粒度別サブポピュレーションの識別」.地質学. 15 (4): 367– 370. doi : 10.1130/0091-7613(1987)15<367:DOGSIP>2.0.CO;2 .
84. Wohletz, KH; Sheridan, MF; Brown, WK (1989). 「火山灰に適用される粒径分布と逐次破砕／輸送理論」. Journal of Geophysical Research: Solid Earth . 94 (B11): 15703– 15721. doi : 10.1029/JB094iB11p15703 .
85. Clementi, Fabio; Gallegati, Mauro (2005)「パレートの所得分配法則：ドイツ、イギリス、アメリカ合衆国の証拠」 EconWPA
86. 相馬渉 (2002-02-22). 「個人所得の物理学」. 高安英樹編著. 『金融変動の実証科学：経済物理学の到来』 . Springer. arXiv : cond-mat/0202388 . doi : 10.1007/978-4-431-66993-7 .
87. ブラック、F.; ショールズ、M. (1973). 「オプションの価格設定と企業負債」.政治経済ジャーナル. 81 (3): 637. doi : 10.1086/260062 . S2CID 154552078 . 
88. マンデルブロ、ブノワ (2004).市場の（誤った）行動. ベーシックブックス. ISBN 9780465043552。
89. Bunchen, P., Advanced Option Pricing、シドニー大学コースブック、2007年
90. Thelwall, Mike; Wilson, Paul (2014). 「引用データのための回帰分析：様々な手法の評価」Journal of Informetrics . 8 (4): 963– 971. arXiv : 1510.08877 . doi : 10.1016/j.joi.2014.09.011 . S2CID 8338485 . 
91. シェリダン、ポール；小野寺 拓（2020）「優先的愛着のパラドックス：優先的愛着と成長が組み合わさって対数正規入次数分布を持つネットワークを生み出す仕組み」サイエンティフィック・リポーツ8 ( 1): 2811. arXiv : 1703.06645 . doi : 10.1038/s41598-018-21133-2 . PMC 5809396 . PMID 29434232 .  
92. Eeckhout, Jan (2004). 「（すべての）都市におけるジブラの法則」 .アメリカ経済評論. 94 (5): 1429–1451 . doi : 10.1257/0002828043052303 . JSTOR 3592829 . 
93. Kault, David (1996). 「性的パートナー数の分布の形状」 .医学統計. 15 (2): 221– 230. doi : 10.1002/(SICI)1097-0258(19960130)15:2<221::AID-SIM148>3.0.CO;2-Q . PMID 8614756 . 
94. O'Connor, Patrick; Kleyner, Andre (2011). 『実用信頼性工学』 John Wiley & Sons. p. 35. ISBN 978-0-470-97982-2。
95. "Shadowing" . www.WirelessCommunication.NL . 2012年1月13日時点のオリジナルよりアーカイブ。
96. Dexter, AR; Tanner, DW (1972年7月). 「対数正規分布を持つ球体混合物の充填密度」 . Nature Physical Science . 238 (80): 31– 32. Bibcode : 1972NPhS..238...31D . doi : 10.1038/physci238031a0 . ISSN 2058-1106 . 
97. Gros, C; Kaczor, G.; Markovic, D (2012). 「地球規模での人間のデータ生産に対する神経心理学的制約」. The European Physical Journal B . 85 (28): 28. arXiv : 1111.6849 . Bibcode : 2012EPJB...85...28G . doi : 10.1140/epjb/e2011-20581-3 . S2CID 17404692 . 
98. Douceur, John R.; Bolosky, William J. (1999-05-01). 「ファイルシステムの内容に関する大規模研究」 . ACM SIGMETRICS Performance Evaluation Review . 27 (1): 59– 70. doi : 10.1145/301464.301480 . ISSN 0163-5999 . 
99. Alamsar, Mohammed; Parisis, George; Clegg, Richard; Zakhleniuk, Nickolay (2019). 「インターネットにおけるトラフィック量の分布とその影響について」arXiv : 1902.03853 [ cs.NI ].
100. ASTM D3654、感圧テープのせん断接着力の標準試験方法
101. ASTM D4577、一定荷重下における容器の圧縮抵抗の標準試験方法>\

さらに読む

• クロウ、エドウィン・L.; 清水邦夫編 (1988)、『対数正規分布の理論と応用』、統計学：教科書とモノグラフ、第88巻、ニューヨーク：マルセル・デッカー社、pp. xvi+387、ISBN 978-0-8247-7803-3、MR  0939191、Zbl  0644.62014
• Aitchison, J.; Brown, JAC (1957).対数正規分布. Cambridge University Press.
• Limpert, E; Stahel, W; Abbt, M (2001). 「科学分野における対数正規分布：鍵と手がかり」 . BioScience . 51 (5): 341– 352. doi : 10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2 .
• Holgate, P. (1989). 「対数正規特性関数」. Communications in Statistics – Theory and Methods . 18 (12): 4539– 4548. doi : 10.1080/03610928908830173 .
• ブルックス、ロバート、コーソン、ドナル、ウェールズ(1994).「原資産がすべて対数正規分布に従う場合のインデックスオプションの価格設定」『先物・オプション研究の進歩』7. SSRN  5735 .

外部リンク

• 正規分布は対数正規分布である

「 https://en.wikipedia.org/w/index.php?title=Log-normal_distribution&oldid=1332041406」より取得